时序是什么？时序预测可以为业务带来哪些价值？产品销量预测、电池剩余寿命预测……这些高价值场景如何提高预测准确率？深度学习模型在时序预测有什么优势？如何寻得一款集前沿高尖时序技术的产品，为业务所用？
近日，百度飞桨重磅发布了一款开源时序建模算法库——PaddleTS，可以帮助开发者实现时序数据处理、分析、建模、预测全流程，具有更优的使用体验：
- 超易用：3行代码即可完成时序建模
- 速度快：模型训练效率比同类产品快2倍
- 效果好：时序专属的自动建模与集成预测效果突出
时间序列是按照时间发生的先后顺序进行排列的数据点序列，简称时序。时间序列预测是最常见的时序问题之一，在很多行业都有时序预测的应用，且通常时序预测效果对业务有着重大影响。例如：
- 零售企业：准确的预测产品销量，可以为企业备货、配送、运营策略的制定提供有效依据，显著降本增效；
- 电网公司：准确的预测发电量与用电量，可以使电网的调度更加合理化，发挥最大效能；
- 制造企业：提前预测生产设备可能发生的故障，可以提前预警、维修，降低停工造成的损失；
- 新能源车企：实时预测电池剩余电量、预测剩余寿命，可以更经济、更合理的使用车辆；
- 金融领域：利率、股票、现金流、外汇等走势预测都对经济产生重大影响。
不仅如此，时间序列预测还在金融利率预测、股票波动率预测、现金流预测等关键场景发挥重大作用。
工业设备异常检测
经典的机器学习算法应用到时间序列预测中，其优势在于模型使用灵活、训练简单，但也存在明显的缺点，需要大量的人工工作在特征工程上。近年来，深度学习逐步在语音、视觉、自然语言理解等领域得到广泛应用，其算法的优势明显。首先，它可以自动捕捉关键特征，不需要依赖统计学知识，不需要复杂的特征工程；其次，它在建模流程与准确率上有着机器学习不可比拟的优势；此外，它还具备很多功能优势，如使用灵活、表达力强、兼容多样性等。
既然深度学习这么优秀，怎么为时序场景业务所用呢？PaddleTS提供了一系列先进的基于深度学习技术的时序建模算法及相关组件，它功能丰富、简单易用、效果领先，包括能源、交通、制造等多个行业客户早已应用起来，还不快来试试~~
- GitHub传送门
https://github.com/PaddlePaddle/PaddleTS
功能全面丰富
PaddleTS覆盖时序预测和时序异常检测两大核心应用场景，针对建模全流程，提供了丰富的功能。既支持单变量也支持多变量的时序分析，同时还具备模型融合、自动建模及丰富的建模工具组件。PaddleTS无论是在功能丰富度上，还是在集成的时序算法数量上，都超过了市面上典型的开源时序产品。除了基础能力以外，产品还有以下特色功能：
- 全面的数据类型支持：PaddleTS提供的协变量支持功能，支持历史观测协变量、未来可知协变量、静态协变量和分类变量等各种协变量数据类型，帮助开发者有效利用各种数据充分发挥数据的价值。
- 主流新颖的深度模型：PaddleTS集成了Transformer、TCN、VAE、TS2Vec、N-beats等丰富的深度学习模型，可以很好的捕捉复杂时序场景中的多变量动态依赖关系，解决长周期、多变量、小样本等问题，取得更好的模型效果。
- 丰富的分析建模工具集：PaddleTS内置了时序特征处理、数据分析、回测、滚动预测、自动建模、模型融合等分析建模过程中非常实用的功能，可以帮助开发者减少编码数量，提升开发效率。
简单易用、快速上手
不需要深刻的专业背景和复杂的特征工程
3行代码实现时序建模
PaddleTS覆盖了大部分主流深度学习模型，开发者只需将数据按照格式要求灌入数据集，再通过简单的归一化处理即可进行模型训练预测。相较于传统统计模型对开发者统计知识的要求，机器学习模型在训练前复杂的特征工程，开发者使用PaddleTS构建深度学习模型更加快速、简单。
- 时序建模代码示例
dataset = TSDataset.load_from_dataframe(df, **kwargs)
mlp = MLPRegressor(in_chunk_len = 7 * 24, out_chunk_len = 24)
mlp.fit(dataset)兼容第三方库，机器学习模型也能高效利用
PaddleTS默认集成了sklearn、pyod等第三方库，解决了传统机器学习方法不能直接用于时序数据，且建模过程复杂等问题。开发者通过几行代码即可实现传统机器学习的调用，搭配PaddleTS中丰富的建模全流程工具，充分满足个性化需求。
- 时序预测代码示例
ts_forecasting_model = make_ml_model(sklearn.linear_model.LinearRegression, in_chunk_len=16, out_chunk_len=1)
ts_forecasting_model.fit(tsdataset)
res = ts_forecasting_model.predict(tsdataset)- 时序异常检测代码示例
ts_anomaly_model = make_ml_model(pyod.models.knn.KNN, in_chunk_len=16)
ts_anomaly_model.fit(tsdataset)
res = ts_anomaly_model.predict(tsdataset)时序专属的自动建模与集成预测器
策略更优、操作更简单
PaddleTS将传统的自动建模和集成学习工具进行改良优化，针对时序场景重新设计了更加便捷的建模工具。
自动建模AutoTS：在该模块中内置了默认搜索空间、超参优化算法、重采样策略与参数评估策略，开发者仅需2行代码即可完成自动建模的主体训练流程定义。
- AutoTS功能代码示例
autots_model = AutoTS(MLPRegressor, 96, 24)
autots_model.fit(tsdataset)集成预测器Ensemble：该模块采用集成学习的思想，提供两种集成预测器，开发者通过简单的操作即可把多个PaddleTS预测器集合成一个，满足多数场景下的集成需求。
- Ensemble功能代码示例
ensemble_model = StackingEnsembleForecaster(96,24,estimators=[(NHiTSModel, nhits_params),(RNNBlockRegressor, rnn_params), (MLPRegressor, mlp_params)])
ensemble_model.fit(ts_train, ts_val)速度快、效果优
PaddleTS基于飞桨框架，对数据加载、模型训练、模型预测等核心环节精心打磨优化，效率相比同类开源产品有非常大的优势。
训练环境：GPU CUDA 11.2，设备 NVIDIA A30
指标说明：MAE，即绝对平均误差，它表示预测值和观测值之间绝对误差的平均值，越小则预测效果越好
此外，相较于同类产品，使用PaddleTS中的AutoTS自动建模工具可以取得更优的建模效果，在大多数情况下优于专家经验调参。
WTH数据集：包含2010年至2013年4年间近1600个美国地区的当地气候数据
*利用默认的TPE算法，运行50次参数试验
